For mange isolerede data, for lidt handling: Hvordan kan ledere i frems­til­ling­sin­dustrien omdanne driftsdata til kon­kur­rencemæs­si­ge fordele med industriel AI?

For CTO'er, CIO'er og digitaliseringsledere er det presserende behov at generere og indsamle data af god kvalitet, som også er tilgængelige. Virksomheder i procesbaseret fremstillingsindustri samt virksomheder i energi- og forsyningssektoren har arbejdet med data i årtier. Deres fokus har dog været på operationelle aktiviteter på bekostning af datamodning.

"Normalt bruges denne rigdom af data til meget snævre formål. Mange data ligger måske bare i operationelle systemer og logfiler og bliver aldrig brugt til analytiske formål. Men i sidste ende bør data være til gavn for medarbejderne på gulvet, i marken, i salget, i kundesupporten, i produktudviklingen eller i bestyrelseslokalet," siger Matti Partanen, direktør for Service Solutions hos Etteplan.

Nu bør virksomhederne sigte mod at blive datadrevne og skabe helhedsbilleder ved at samle data fra forskellige operationelle datadomæner, herunder sikkerhed, kvalitet, vedligeholdelse, eftermarkedsservice og forsyningskæden.

Det er ikke underligt, at alle er ivrige efter at afprøve kunstig intelligens (AI), især efter fremkomsten af generativ AI. Den lover at udføre alle mulige former for datamagi, der fører til værdifulde resultater.

»Virksomheder forventer flere fordele ved at udnytte AI, såsom optimeret ydeevne, mindre nedetid, reducerede omkostninger til materialer og energiforbrug samt bedre produktivitet blandt medarbejderne. Virksomheder forsøger også at finde afvigende og forstyrrende hændelser, men ofte er det sikrere at starte og opbygge erfaring i interne operationer,« fortæller Partanen.

Industrielle virksomheder opmuntrer til og gennemfører AI-pilotprojekter, delvis på grund af deres frygt for at gå glip af AI-bølgen. Ifølge brancherapporter går en betydelig procentdel af AI-initiativerne imidlertid i stå og kommer aldrig videre end pilotfasen. Hvorfor?

Typisk introduceres AI uden først at etablere fundamentet, hvilket fører til fiasko. AI fungerer ikke ordentligt og leverer ikke fornuftige resultater, hvis der er flaskehalse i tilgængeligheden, adgangen til og kvaliteten af data.

Ifølge Partanen ligger nøglen til succes eller fiasko i virksomhedens datamodning. Derfor bør virksomheder først vurdere, hvor godt digitale teknologier og automatiserede arbejdsgange er blevet integreret i driften.

"Jeg har set industrivirksomheder opdage på den hårde måde, at der er alvorlige huller i deres datamodning. Det er ikke overraskende, da produktionsaktiver og driftssystemer normalt er stærkt opdelte. Derfor er data fragmenteret på forskellige steder og i forskellige formater. Data fra relevante kilder skal samles, for eksempel på en dataplatform eller en edge, som AI kan få adgang til," opfordrer Partanen.

"Der findes også organisatoriske siloer. Deling af data, som enhederne besidder, har aldrig været så relevant som i dag."

Partanen anbefaler, at man starter med at udvikle en passende data- og AI-strategi. Den skal være tæt afstemt med virksomhedens strategi for at blive en succes. Strategien omfatter normalt forretningsmuligheder og anvendelsestilfælde. Den giver også retningslinjer for organisationen, ledelse, datastyring, teknologier, privatliv og etik.

"På virksomhedsniveau er der ofte en faldgrube, at forretningsmuligheder og anvendelsestilfælde angives på et for højt niveau i organisationen. De passer imidlertid ikke så godt til fabrikkens reelle problemer eller muligheder."

Det er let at drukne i at opbygge en perfekt ramme med alle de små detaljer i data- og AI-strategien. For at undgå dette bør virksomheder starte deres AI-projekter med konkrete anvendelsestilfælde, der er identificerede og operationelle smertepunkter, og samtidig opbygge den strategiske ramme. Smertepunkter kan for eksempel være udbyttetab, uplanlagt nedetid eller overskydende energiforbrug.

"Det er vigtigt at have en klar brugssag, fordi man skal styre AI-værktøjerne til at hente bestemte resultater og ikke bare overvælde slutbrugerne med for mange oplysninger. Man kan for eksempel give AI til opgave at undersøge årsagerne til slitage på et bestemt leje i en industriel maskine og kombinere dette med menneskelig intelligens. AI kan også samle oplysninger fra flere kilder til en serviceoperatør inden for vedligeholdelse eller eftermarkedsservice og levere resultaterne i et format, der er handlingsbart og let at forstå," siger Partanen.

I mange tilfælde er den bedste tilgang at bruge såkaldte AI-agenter, som er skræddersyede og har til opgave at nå et specifikt mål. Sammenlignet med traditionel regelbaseret software og algoritmer er de meget mere effektive og tilpasningsdygtige.

Udvikling af AI-agenter giver ofte de hurtigste gevinster, såsom øget effektivitet. De kan også integreres i interne arbejdsgange og processer for at hjælpe menneskelige brugere med at træffe bedre beslutninger.

Når AI begynder at levere resultater, skal medarbejderne i organisationen have tillid til og forstå AI-baserede anbefalinger. Det kræver forandringsledelse, gennemsigtighed, uddannelse og feedback-loop.

”Det tager imidlertid tid og kræver stor ekspertise at nå så langt. Succes med industriel AI kræver en grundig forståelse af virksomheden, kontekstuel viden om det industrielle miljø og ingeniørarbejde, IT-ekspertise og kompetence til at arbejde med data og AI-modeller. Meget få konsulentvirksomheder, der arbejder med fremstillings-, energi- eller forsyningssektoren, kan levere dette. Hos Etteplan kan vi det, og vi har en dokumenteret track record, der bekræfter dette,” siger Partanen.

Vil du vide mere om, hvordan du kan omdanne siloopdelte driftsdata til reel forretningsværdi med industriel AI? Download vores gratis guide Create value with Industrial AI for at få praktiske indsigter, brugsscenarier og en gennemprøvet køreplan til skalerbar effekt.